[发明专利]基于条件卷积生成式对抗网络的MMP预测方法及装置

权利要求书

1.一种基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，包括：

获取目标油藏的MMP影响因素数据；

将所述MMP影响因素数据输入到预先训练出的卷积生成器中，得到所述预先训练出的卷积生成器输出的所述目标油藏的MMP预测值，其中，卷积生成器为根据卷积神经网络搭建的，卷积生成器不包含随机噪声输入，所述预先训练出的卷积生成器为根据训练样本集对卷积生成器进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。

2.根据权利要求1所述的基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，还包括：

获取所述训练样本集；

根据所述训练样本集进行H1次迭代训练，得到所述预先训练出的卷积生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取H2个训练样本，然后基于选取的训练样本对卷积判别器的网络权重进行训练，最后基于选取的训练样本在由所述卷积判别器和卷积生成器组成的组合模型中对所述卷积生成器的网络权重进行训练，所述卷积判别器为根据卷积神经网络和全连接神经网络组合搭建的，H1和H2均为正整数。

3.根据权利要求2所述的基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的MMP影响因素数据，所述第二数据为油藏的MMP值；

所述基于选取的训练样本对卷积判别器的网络权重进行训练，具体包括：

分别针对每个选取的训练样本，将卷积生成器根据训练样本的第一数据输出的MMP预测值与该训练样本的第一数据进行组合，得到组合数据，将该组合数据的标签设置为0，并对该组合数据的标签进行平滑处理；

将每个选取的训练样本的标签设置为1，并对训练样本的标签进行平滑处理；

将标签平滑处理后的组合数据以及标签平滑处理后的训练样本输入到所述卷积判别器中，对所述卷积判别器的网络权重进行训练。

4.根据权利要求3所述的基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，所述基于选取的训练样本在由所述卷积判别器和卷积生成器组成的组合模型中对所述卷积生成器的网络权重进行训练，具体包括：

分别针对每个选取的训练样本，将训练样本的第一数据输入到所述卷积生成器中，得到所述卷积生成器输出的该训练样本对应的MMP预测值；

分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的MMP预测值进行组合，得到组合数据，将该组合数据的标签设置为1，并对该组合数据的标签进行平滑处理；

将标签平滑处理后的组合数据输入到所述卷积判别器中，得到所述卷积判别器输出的该组合数据为真实数据的概率。

5.根据权利要求2所述的基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，所述根据所述训练样本集进行H1次迭代训练，得到所述预先训练出的卷积生成器，包括：

采用超参数优化方法对迭代训练次数H1、训练样本数量H2、所述卷积生成器的超参数以及所述卷积判别器的超参数进行优化，得到最佳参数组合，进而根据所述最佳参数组合进行迭代训练得到所述预先训练出的卷积生成器。

6.根据权利要求2所述的基于条件卷积生成式对抗网络的MMP预测方法，其特征在于，所述卷积判别器的输入为MMP影响因素数据和MMP值，该MMP值包括所述卷积生成器输出的MMP预测值，所述卷积判别器的输出为数据为真实数据的概率；卷积判别器的网络结构具体包括：卷积神经网络层、拼接层以及全连接神经网络层，所述卷积神经网络层用于对MMP影响因素数据进行预处理，所述拼接层用于将所述卷积神经网络层输出的预处理后的数据与MMP值进行拼接，所述全连接神经网络层用于对所述拼接层输出的拼接后的数据进行处理输出数据为真实数据的概率。